主要部分代码

首先使用KMeans()对数据集建模

model = KMeans(n_clusters=3) 
model.fit(data) 

• 创建一个KMeans对象，指定聚类数为3，意味着算法将数据分成3个簇
• 使用数据拟合了KMeans模型。在这一步，算法会尝试找到最优的簇中心，使得数据点到其对应簇中心的距离之和最小

获取聚类标签

label_pred = model.labels_ 

• 这行代码获取了每个数据点的聚类标签。每个数据点被分配到一个簇，输出是一个数组，包含每个数据点所属的簇的标签。

获取聚类平方误差总和SSE

inertia = model.inertia_ 

SSE是指每个数据点到其簇中心的距离的平方和，用于衡量聚类的紧密度。SSE越小，表示数据点越靠近它们的簇中心，聚类效果越好。

结合例子

以鸢尾花数据集为例，首先将数据导入

import numpy as np
import pandas as pd
from matplotlib import pyplot as plt
from sklearn.cluster import KMeans
from sklearn.datasets import load_iris 

iris = load_iris() #导入sklearn自带的鸢尾花数据集
data = pd.DataFrame(iris.data, columns=iris.feature_names)

开始建模

和上面分析的步骤一样

model = KMeans(n_clusters=3) 
model.fit(data) 
label_pred = model.labels_ 
print(label_pred)
inertia = model.inertia_ 
print("聚类平方误差总和为: ",inertia)

输出结果如下

可以看到输出了所有样本的聚类标签，包括0-2，一共三个簇，同时输出了聚类平方误差总和

查看聚类结果

最后可以将聚类的结果绘制出来：
先分别取出每一簇的样本

x0 = data[label_pred == 0]
x1 = data[label_pred == 1]
x2 = data[label_pred == 2]

然后分别绘制各个簇的样本以及每个簇的中心点坐标
最后一行代码中，model.cluster_centers_[:, 0]和model.cluster_centers_[:, 1]分别表示获取所有簇中心的X坐标和Y坐标，marker='s'表示正方形

plt.scatter(x0["sepal length (cm)"], x0["sepal width (cm)"], c = "red", marker='o', label='label0')
plt.scatter(x1["sepal length (cm)"], x1["sepal width (cm)"],  c = "green", marker='*', label='label1')
plt.scatter(x2["sepal length (cm)"], x2["sepal width (cm)"],  c = "blue", marker='+', label='label2')
plt.scatter(model.cluster_centers_[:,0],model.cluster_centers_[:,1], c = "black", marker='s',label='centroids')

最后设置标签、添加图例，通过参数指定图例的位置，在这里表示将图例放在左上角

plt.xlabel('sepal length')
plt.ylabel('sepal width')
plt.legend(loc=2)

得到下图结果

如何选择合适的K值
讲完了建模，现在来讲讲在建模之前我们如何选择最佳的K值——画肘部图

from scipy.spatial.distance import cdist

plt.plot()
colors = ['b','g','r']  
markers = ['o','v','s']  
#生成一个字典保存每次的代价函数
distortions = []
#从1~9判断合适的K值
K = range(1,10)
for k in K:
    #分别构建各种K值下的聚类器
    Model = KMeans(n_clusters=k).fit(data) 
    #计算各个样本到其所在簇类中心欧式距离(保存到各簇类中心的距离的最小值)
    distortions.append(sum(np.min(cdist(data, Model.cluster_centers_, 'euclidean'), axis=1)) / data.shape[0])

#绘制各个K值对应的簇内平方总和，即代价函数SSE
plt.plot(K,distortions,'bx-')
#设置坐标名称
plt.xlabel('optimal K')
plt.ylabel('SSE')
plt.show()

可以看到，当K=3时，产生了“肘点”，从K=3到K=4，SSE的下降速度明显变缓，因此最佳的K取值应为3